密歇根大学ECE研究生DS/ML(数据科学和机器学习)专业的课程旨在让学生具备数据科学和机器学习的理论知识和实践技能，以便在传感、控制、推理、规划和决策的现代工程系统中工作。课程强调了严格的理论、实践操作和发展大规模复杂工程系统的计算推理技能。对于DS/ML专业的新生来说，如果要提前进行课程预习，可以继续阅读本指南，以了解该专业核心课程的主要内容，而后做出具体的预习规划。

1、EECS 501概率和随机过程，4

该课程介绍了概率和随机过程。主题涵盖：概率公理，西格玛代数，随机向量，期望，概率分布和密度，泊松和维纳过程，平稳过程，自相关，谱密度，滤波效果，线性最小二乘估计和随机序列的收敛。

2、EECS 504计算机视觉基础，3

该课程为从图像中提取有用信息奠定了基础。主题涵盖：可视内容的表示(例如，函数、点、图形)；视觉不变性；视觉内容的数学和计算模型；视觉优化方法。

3、EECS 505/ 551 计算DS和ML / Sp数学方法，4

(1)EECS 505

该课程介绍了大型数据集中识别模式和异常值的计算方法。主题涵盖：奇异值和特征值分解、独立成分分析、图形分析、聚类、线性、正则化、稀疏和非线性模型拟合、深度、卷积和递归神经网络。

(2)EECS 551

该课程介绍了信号处理、数据分析和机器学习的矩阵方法的理论和应用。理论主题涵盖：子空间，特征值和奇异值分解，投影定理，约束，正则化和无约束最小二乘技术和迭代算法。应用主题涵盖：图像去模糊、网页排名、图像分割和压缩、社交网络、电路分析、推荐系统和手写数字识别。

4、EECS 542视觉处理，3

本课程讨论了计算机视觉领域的前沿课题和当前研究。主题将从不同的子领域中选择，如基于物理学的视觉、几何学、运动和跟踪、重建、分组和分割、识别、活动和场景理解、统计方法和学习、系统和应用。

5、EECS 545/553机器学习，3

该课程介绍了监督、非监督和顺序学习的基础，包括线性和非线性回归、逻辑回归、支持向量机和核方法、决策树、集成方法、神经网络和深度学习、降维、聚类和概率模型。EECS 545强调实际数据的实现和应用，包括算法和基本原理的推导。EECS 553强调算法及其从基本原理的衍生，包括对真实世界数据的应用。

6、EECS 556图像处理，3

该课程介绍了数字图像处理的理论与应用。主题涵盖：采样、滤波、2D傅立叶变换、插值、边缘检测、增强、去噪、恢复、分割、图像的随机场模型、贝叶斯方法、小波和稀疏模型。应用涉及：光学成像、生物医学图像、视频和图像压缩。

7、EECS 564估计、滤波和检测，3

该课程介绍了估计、线性滤波和检测原理。估计：线性和非线性最小均方误差估计，以及其他策略。线性滤波：维纳和卡尔曼滤波。检测：简单，复合，二元和多重假设。尼曼-皮尔逊和贝叶斯方法。

8、EECS 568移动机器人，4

该课程介绍了自主移动机器人概率技术的理论与应用。课程将呈现并批判性地检验机器人感知(使用各种模态)、状态估计、地图绘制和路径规划的当代算法。主题涵盖：贝叶斯过滤；环境的随机表示；移动机器人的运动和传感器模型。

上述密歇根大学ECE研究生DS/ML专业的核心课程中，你必须获得大于等于9学分才能满足学位要求。你可以基于这些课程的整体概述来规划将要预习的内容，从而为研究生阶段的学习打好基础。